1959: Инженер МЛОпс за работой

Эта роль возникла, когда компании обнаружили, что хорошая офлайн-модель — это не то же самое, что полезный продукт. Изменения данных, изменения кода, рост затрат, модель может незаметно деградировать, а прогноз может нуждаться в объяснении или пересмотре. В 2015 году исследователи Google назвали такое накопление зависимостей и работу по обслуживанию «скрытым техническим долгом» в системах машинного обучения; Позже отрасль приняла MLOps как сокращение для сознательного управления этим долгом.

MLOps хорошо оплачивается, поскольку требует широты охвата и поскольку многие организации пытаются внедрить ИИ быстрее, чем созревают их операционные практики. Генеративный ИИ увеличил спрос на оценку, наблюдаемость и контроль доступа. Он также автоматизирует некоторые части работы — шаблоны конвейеров, настройку и диагностику — поэтому устойчивым навыком является проектирование надежных систем и принятие решения о том, каких доказательств достаточно, чтобы доверять модели.

Инженер MLOps превращает эксперименты машинного обучения в повторяемые и контролируемые услуги. Они создают конвейеры данных и обучения, упаковывают модели, развертывают их в облачных или периферийных средах, отслеживают версии, контролируют производительность и создают процедуры отката. В небольших командах они также могут писать код приложения; в более крупных они управляют общей платформой для многих команд по анализу данных.